क्लॉड की कीमत: सामान्य टोकन लागत की गलतियों से बचें

इनपुट बनाम आउटपुट टोकन मूल्य निर्धारण को समझना

Claude API कॉल्स की लागत दो अलग-अलग भागों में विभाजित होती है। आप टेक्स्ट पढ़ने के लिए कम भुगतान करते हैं और लिखने के लिए अधिक। इनपुट टोकन उस प्रॉम्प्ट को कवर करते हैं जो आप भेजते हैं। आउटपुट टोकन उस पूर्णता को कवर करते हैं जो मॉडल जनरेट करता है। यह अंतर तब सबसे अधिक मायने रखता है जब आप लंबे कोड फ़ाइलें भेजते हैं लेकिन छोटे उत्तर की उम्मीद करते हैं।

Anthropic Sonnet 3.5 के लिए प्रति मिलियन इनपुट टोकन $3.00 चार्ज करता है। उसी मॉडल के लिए प्रति मिलियन आउटपुट टोकन $15.00 लागत आती है। यह पांच गुना अंतर है। अपने प्रॉम्प्ट को सटीक रखकर आप पैसे बचा सकते हैं। यदि केवल कुछ पंक्तियां मायने रखती हैं, तो पूरी दस्तावेज़ीकरण डंप भेजें नहीं।

हमारा अनकेंसर API इस अनुपात को थोड़ा सा उलट देता है। हम $0.15 प्रति मिलियन इनपुट टोकन और $0.50 प्रति मिलियन आउटपुट टोकन चार्ज करते हैं। अंतर बना रहता है, लेकिन निरपेक्ष लागत कम है। आप अभी भी जनरेशन के लिए अधिक भुगतान करते हैं। आप अभी भी इनपुट आकार कम करके बचत करते हैं।

• इनपुट टोकन सस्ते हैं।
• आउटपुट टोकन अधिक महंगे हैं।
• दोनों पक्षों को संतुलित करें।

बड़े संदर्भ विंडो की छिपी लागत

बड़ी संदर्भ विंडो मेमोरी खपती करती है भले ही आप केवल एक छोटा हिस्सा पढ़ें। Anthropic प्रत्येक अनुरोध में उपयोग की गई पूर्ण संदर्भ विंडो के लिए बिल करता है। यदि आप एक 100,000 टोकन फाइल भेजते हैं, तो आप 100,000 टोकन के लिए भुगतान करते हैं। आप केवल उन पंक्तियों के लिए भुगतान नहीं करते जिन्हें मॉडल पढ़ता है। पूरी विंडो गिनती में आती है।

यह कोडिंग एजेंट्स के लिए एक छिपी लागत बनाता है। वे अक्सर पूरे रिपॉजिटरी भेजते हैं। मॉडल को शायद केवल एक फ़ंक्शन की आवश्यकता हो। आप फिर भी पूरे रिपॉजिटरी के लिए भुगतान करते हैं। इंडेक्सिंग मदद करती है। केवल प्रासंगिक स्निपेट भेजें। यह इनपुट टोकन गिनती को कम करता है।

हमारा API 100,000 टोकन के संदर्भ विंडो का समर्थन करता है। आप बड़ी फ़ाइलें भेज सकते हैं। आप जो भेजते हैं, उसके लिए भुगतान करते हैं। त्रुटियां और अस्वीकृतियां मुफ्त हैं। इसका मतलब है कि आप बिना क्रेडिट खर्च किए विभिन्न स्निपेट्स का परीक्षण कर सकते हैं। इसका उपयोग न्यूनतम प्रभावी प्रॉम्प्ट खोजने के लिए करें।

स्ट्रीमिंग टोकन गिनती को कैसे प्रभावित करता है

स्ट्रीमिंग कुल टोकन गणना को नहीं बदलती। यह केवल इस प्रभाव को डालती है कि आप संख्याएं कैसे आती हुई देखते हैं। मॉडल टोकन की गणना उसी तरीके से करता है चाहे आप स्ट्रीम करें या प्रतीक्षा करें। अंतिम बिल समान है। स्ट्रीमिंग केवल प्रतिक्रिया को चंक में बांट देती है।

डेवलपर्स अक्सर स्ट्रीमिंग को टोकन बचत के साथ भ्रमित कर देते हैं। यह नहीं है। API डेटा रियल-टाइम में भेजता है। आप शब्दों को जनरेट होते हुए देखते हैं। टोकन काउंटर अंत में अपडेट होता है। आप पूर्ण कंप्लीशन के लिए भुगतान करते हैं। स्ट्रीमिंग से कोई टोकन बचत नहीं होती है।

हमारा API Server-Sent Events के माध्यम से स्ट्रीमिंग का समर्थन करता है। आपको अंतिम चंक में टोकन उपयोग मिलता है। यह आपको वास्तविक समय में लागत ट्रैक करने में मदद करता है। यदि प्रतिक्रिया बहुत लंबी हो जाए तो आप जल्दी रोक सकते हैं। यह आउटपुट टोकन बचाता है। यह इनपुट टोकन नहीं बचाता है।

टूल-यूज़न टोकन उपयोग में सामान्य गलतियाँ

Tool-use हर रिक्वेस्ट में अतिरिक्त टोकन जोड़ता है। आप टूल डिफिनिशन्स के लिए भुगतान करते हैं। आप आर्गुमेंट्स के लिए भुगतान करते हैं। आप रिजल्ट्स के लिए भुगतान करते हैं। टूल उपयोग का हर राउंड एक साधारण चैट से अधिक खर्चीला होता है। डेवलपर्स अक्सर इनकी गणना भूल जाते हैं। वे कम इनपुट काउंट देखते हैं। वे टूल ओवरहेड को छूट देते हैं।

फंक्शन कॉलिंग को एक विशिष्ट फॉर्मेट की आवश्यकता होती है। मॉडल को JSON पार्स करना होता है। इससे जटिलता बढ़ती है। यह टोकन भी जोड़ता है। आप संरचना के लिए भुगतान करते हैं। आप डेटा के लिए भुगतान करते हैं। आप परिणाम के लिए भुगतान करते हैं। प्रत्येक चरण में पैसा लगता है।

हमारा API फ़ंक्शन कॉलिंग का समर्थन करता है। आप टूल्स का उपयोग कर सकते हैं। आप उपयोग किए गए टोकन के लिए भुगतान करते हैं। कोई छुपी हुई फीस नहीं है। आप बस वही भुगतान करते हैं जो आप भेजते हैं। अपने टूल परिभाषाओं को छोटा रखें। संक्षिप्त तर्क नामों का उपयोग करें। इससे टोकन गिनती कम होती है।

अनुरोध भेजने से पहले लागत का अनुमान कैसे लगाएं

आप अनुरोध भेजने से पहले टोकन गिनकर लागत का अनुमान लगा सकते हैं। एक टोकनाइज़र का उपयोग करें। इनपुट टोकन गिनें। अपेक्षित आउटपुट टोकन गिनें। कीमत से गुणा करें। यह आपको एक अनुमानित राशि देता है। यह सटीक नहीं है। मॉडल अधिक या कम टोकन जनरेट कर सकता है। लेकिन यह बजट बनाने में मदद करता है।

Anthropic एक लागत कैलकुलेटर प्रदान करता है। आप अपने टोकन गणनाएं इनपुट कर सकते हैं। यह कुल लागत दिखाता है। आप अलग-अलग मॉडलों की तुलना कर सकते हैं। आप इनपुट और आउटपुट के बीच अंतर देख सकते हैं। यह आपको सही मॉडल चुनने में मदद करता है।

हमारा API मानक मूल्य निर्धारण का उपयोग करता है। प्रति मिलियन इनपुट टोकन $0.15। प्रति मिलियन आउटपुट टोकन $0.50। आप वही कैलकुलेटर उपयोग कर सकते हैं। बस कीमतों को समायोजित करें। यह आपको हमारे API की तुलना करने में मदद करता है। आप स्पष्ट रूप से बचत देख सकते हैं।

रिफंड और क्रेडिट समाप्ति नीतियाँ

हमारे API पर क्रेडिट कभी समाप्त नहीं होता। आप एक बार भुगतान करते हैं। आप इसे समय के साथ उपयोग करते हैं। कोई मासिक शुल्क नहीं है। कोई सदस्यता नहीं है। आप जिसका उपयोग करते हैं उसके लिए भुगतान करते हैं। यह Anthropic से अलग है। वे प्रति अनुरोध शुल्क लेते हैं। आप जितना उपयोग करते हैं उतना भुगतान करते हैं।

यदि आप एक गलती करते हैं, तो आप रिफंड का अनुरोध कर सकते हैं। हम डबल चार्ज ठी करते हैं। हम त्रुटियां ठी करते हैं। क्रेडिट आपका है। यह गायब नहीं होता है। आप इसे तब चाहें तब उपयोग कर सकते हैं। यह आपको लचीलापन देता है। आपको जल्दबाजी करने की आवश्यकता नहीं है।

हमारा ट्रायल क्रेडिट 7 दिनों में समाप्त हो जाता है। यह एकमात्र समय सीमा है। आपके पास $0.50 हैं। आप API का परीक्षण कर सकते हैं। आप देख सकते हैं कि यह कैसे काम करता है। आप तय कर सकते हैं कि क्या यह आपके लिए सही है। कोई फोन नंबर नहीं। बस साइन अप करें।

अनसेंसर्ड बनाम मानक मॉडल टोकन दक्षता की तुलना

अनसेंसर्ड मॉडल्स अक्सर लंबे जवाब जनरेट करते हैं। वे विषयों को नहीं रोकते हैं। वे अधिक समझाते हैं। इससे आउटपुट टोकन बढ़ सकते हैं। जनरेशन के लिए आपको अधिक भुगतान करना पड़ता है। लेकिन आपको अधिक सामग्री मिलती है। यह एक ट्रेड-ऑफ है। आप विस्तार के लिए भुगतान करते हैं। आपको विस्तार मिलता है।

मानक मॉडल अधिक बार इनकार करते हैं। वे छोटे जवाब देते हैं। इससे आउटपुट टोकन बचते हैं। लेकिन आपको दोबारा पूछना पड़ सकता है। आप इनकार के लिए भुगतान करते हैं। आप दोबारा प्रॉम्प्ट करने के लिए भुगतान करते हैं। कुल लागत अधिक हो सकती है।

हमारा अनकेंसर API आपको पूर्ण नियंत्रण देता है। आप तापमान सेट कर सकते हैं। आप top-p सेट कर सकते हैं। आप लंबाई को नियंत्रित कर सकते हैं। आप आउटपुट टोकन कम कर सकते हैं। आप पैसे बचा सकते हैं। आपको वह सामग्री मिलती है जो आप चाहते हैं।

आउटपुट लंबाई को नियंत्रित करने के लिए सीड और टेम्परेचर का उपयोग करना

तापमान यादृच्छिकता को प्रभावित करता है। उच्च तापमान का अर्थ है अधिक विविधता। निम्न तापमान का अर्थ है अधिक स्थिरता। आप आउटपुट लंबाई को नियंत्रित कर सकते हैं। एक निम्न तापमान सेट करें। मॉडल अधिक पूर्वानुमेय होगा। यह कम टोकन जनरेट करेगा।

सीड पुनरुत्पादकता को प्रभावित करता है। समान सीड का अर्थ है समान आउटपुट। यह आपको डिबग करने में मदद करता है। आप समान परिणाम प्राप्त कर सकते हैं। यह परीक्षण के लिए उपयोगी है। आप विभिन्न प्रॉम्प्ट की तुलना कर सकते हैं। आप अंतर देख सकते हैं।

हमारा API दोनों का समर्थन करता है। आप सीट सेट कर सकते हैं। आप तापमान सेट कर सकते हैं। आप आउटपुट को नियंत्रित कर सकते हैं। आप टोकन बचा सकते हैं। आप वह कंटेंट प्राप्त कर सकते हैं जो आप चाहते हैं। यह आपको सटीकता प्रदान करता है।